U.S. House Price Dynamics and Behavioral Finance
Notice bibliographique
Résumé
There has been considerable debate in recent years regarding the role of behavioral factors in determining housing prices. The question of whether psychology matters in the housing market has been settled long ago: the answer is yes. Rather, economists are now debating in what ways psychology impacts market behavior and how large an effect this impact has on housing prices. One oft-cited example of a clear behavioral bubble in housing is the sharp boom-bust in the Vancouver housing market during the early 1980s (see figure 1). In the 18 months between January 1980 and July 1981, real house prices grew 87 percent. In the subsequent 18 months, real prices fell by nearly 44 percent, plateauing at a level only 6 percent above where prices were three years earlier before the boom began. While news and rumors about Britain’s returning Hong Kong to China may have swayed sentiment in the Vancouver market, where many wealthy Hong Kong residents own second homes, it is very difficult to use fundamental factors in explaining the sudden boom-bust pattern witnessed in the early 1980s. In this paper we examine the relative roles played by economic fundamentals and market psychology in explaining U.S. house price dynamics using two different boom periods, one in the 1980s and the other one in the early-to-mid-2000s. We begin by considering what proportion of the variation in the house price-rent ratio within metropolitan areas can be explained by fundamentals using a single-period version of the user cost model with static expectations of price growth, as in Himmelberg, Mayer, and Sinai (2005). We then consider how much additional variation can be explained by a handful of behavioral finance theories262
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».